Few-shot学習

Few-shot学習（Few-shot Learning）は、わずかな数の例だけで新しいタスクを学習・実行できるAIの能力を指します。LLMでは、プロンプトに数個の例を含めるだけで未知のタスクをこなせる「Few-shotプロンプティング」として広く使われています。

Zero-shot／One-shot／Few-shotの違い

Few-shotプロンプティングの例

Q: りんごは果物ですか？
A: はい、果物です。

Q: 椅子は果物ですか？
A: いいえ、家具です。

Q: バナナは果物ですか？
A: 

2つの例を見せることで、AIが「Q&A形式で正しく答える」パターンを理解しやすくなります。

なぜ効果があるか

• LLMは事前学習で膨大なパターンを獲得済み
• 例があると「どの形式で答えるか」が明確に
• タスクの暗黙のルールを推測できる
• 出力フォーマットの制御に有効

Few-shotが特に有効な場面

効果的な例の選び方

1. 多様性：パターンの幅をカバー
2. 代表性：典型例を選ぶ
3. 一貫性：例同士のスタイルを揃える
4. 品質：例自体が正確である
5. 数のバランス：3〜5個が一般的に効率的

Few-shot vs ファインチューニング

業務での活用パターン

1. 構造化抽出

例：
入力: 「明日10時に会議をお願いします」
出力: {action: "会議予約", time: "10:00", date: "明日"}

本題: 「来週水曜の14時に資料レビューを」

2. 分類タスク

業界特有のカテゴリ分類に有効。

3. スタイル変換

社内文書のトーンに合わせた文章生成。

4. 専門用語処理

医療・法律・業界専門用語の扱い。

留意点

1. トークン消費：例が長いと毎回コストがかかる
2. 精度の限界：複雑タスクではファインチューニングが必要
3. 例の選び方で精度が変動：実験的に決定
4. モデル依存：モデルごとに反応が異なる
5. 長くなりすぎる：例の数を増やしすぎると逆効果

関連手法

• **In-Context Learning**：プロンプト内での学習能力（Few-shotの基盤）
• **Chain-of-Thought**：推論過程を例示
• ReAct：推論と行動を例示
• 動的Few-shot：質問に応じて関連例を検索（RAG的手法）

動的Few-shotの実装

質問に応じて関連する例をベクトル検索で取り出し、毎回最適な例を提示する手法。固定例より精度が向上することが多い。

ユーザー質問
  ↓
例データベースから関連例を検索
  ↓
選んだ例＋質問でプロンプト構築
  ↓
LLMへ

実務での進め方

1. Zero-shotで試す：まずは例なしで
2. 不足があればFew-shot：3〜5例で改善
3. それでも不足ならファインチューニング：投資判断
4. 動的Few-shot：精度が必要かつ多様な入力なら
5. 継続改善：失敗事例を例として追加

ハイブリッド戦略

大規模アプリでは、Few-shot＋RAG＋ファインチューニングを組み合わせるのが一般的です。

Few-shot学習は「少しの例でAIに新タスクを教える」基本テクニックであり、生成AI時代のあらゆる業務適用において、最初に試すべき強力で経済的な方法です。